数学建模时间序列解题思路

一.时间序列建模思路：

1. 处理数据的缺失值问题，生成时间变量并画出时间序列图

2. 数据是否为季节数据或者月份数据（至少有两个完整的周期，即两年），如果是的话就要观察图形是否存在季节性波动。 从而选择合适的乘法分解或者加法分解。

3. 根据时间序列图大致判断数据是否为平稳序列（数据围绕着均值上下波动，无趋势和季节性）

4. 利用spss分析时间创建专家模型，或者调用sklearn去处理时间序列问题

5. 如果是ARIMA（p,0,q）模型，那么我们就画出时间序列的ACF和PACF图形进行分析; 如果是ARIMA（p,1,q）模型，bane先进行1阶差分，在进行ACF和PACF分析； 如果是与季节相关，那么可以考虑使用时间序列分解

6. 对于股票预测模型，可以使用ARCH和GARCH (主要用于长期看来数据是平稳的，但在短期看来，存在一定的异方差，ARMA不适合计算) 扰动项存在异方差：本期数据方差较大，对下一期的数据也有很大的影响 如何判断扰动项是否存在异方差，使用两种检验方法，如Q检验和LM检验

二.如何进行建模处理：

1. 先将数据进行绘制成图像进行观察
2. 若看的出来图像具有波动性聚集则进行严格的检验
   （1）LM检验
   （2）Q检验
   （3）在估计预测模型后，看条件方差方程中的系数α与γ是否显著（不重要）

三、整体思路：

1. 若指数序列非平稳，则先进行差分，将指数序列变成平稳的状态

四、相空间重构

1. 判断ARIMA模型：

2. 判断ACF和PACF，通过肉眼观察

3. 判断AIC和BIC，数值越小越好

五.灰色预测

1. 1.数据以年份度量单位的非负数据
2. 数据经过准指数规律的检验
3. 数据的期数较短且和其他数据之间的关联性不强（<=10期但>=4），若数据期数足够多，一般用传统的时间序列更合适